电气设备故障智能诊断技术

　　加强电力设备的状态监测和故障诊断，对保障电力生产设备的安全和稳定运行具有重要意义。电力设备故障智能诊断技术是多学科交叉渗透的综合性研究方向。本书首先介绍电力设备故障智能诊断的背景意义及国内外研究现状，然后介绍智能故障诊断的主要关键技术，如故障数据采集系统，故障数据预处理与特征提取，基于单类分类器、多层分类器、混合分类器、辅助分类生成对抗网络等多种智能故障诊断技术进行故障决策，最后针对几个实例介绍故障智能诊断技术的应用。

暂缺《电气设备故障智能诊断技术》作者简介

目录
前言
引入篇　电力设备关键部件机械故障诊断
第1章　绪论　2
1.1　研究背景及意义　2
1.2　断路器机械故障诊断研究综述　4
1.2.1　断路器机械故障诊断的监测对象　5
1.2.2　断路器振动信号处理方法　6
1.2.3　断路器状态识别方法的研究　8
1.3　风电机组机械故障诊断研究综述　9
1.3.1　风电机组传动系统故障诊断的监测对象　9
1.3.2　基于振动信号分析的风电机组传动系统故障诊断研究现状　11
1.3.3　风电机组传动系统状态识别方法研究现状　12
1.4　高压断路器机械故障诊断方案设计　14
1.4.1　高压断路器的基本结构及工作原理　14
1.4.2　高压断路器的常见机械故障　20
1.4.3　高压断路器机械故障诊断总体方案　23
1.5　风电机组传动系统机械故障诊断方案设计　24
1.5.1　风电机组传动系统基本结构和原理　24
1.5.2　风电机组传动系统常见机械故障　25
1.5.3　风电机组传动系统机械故障诊断总体方案　28
1.6　本章小结　29
参考文献　29
高压断路器篇　关键部件机械故障诊断
第2章　基于单类分类器的高压断路器机械故障诊断　36
2.1　基于S变换的高压断路器振动信号处理及特征提取　36
2.1.1　S变换　36
2.1.2　基于S变换的高压断路器振动信号处理　37
2.1.3　基于S变换时-频熵的高压断路器机械故障诊断特征提取　39
2.2　基于经验小波变换的高压断路器振动信号处理及特征提取　43
2.2.1　经验小波变换　43
2.2.2　经验小波变换与经验模态分解的对比　46
2.2.3　基于经验小波变换和时-频熵的断路器机械故障诊断特征提取　47
2.3　基于单类分类器的高压断路器机械故障诊断　53
2.3.1　单类分类器概述　53
2.3.2　基于单类支持向量机的高压断路器机械故障诊断　54
2.3.3　基于支持向量数据描述的高压断路器机械故障诊断　60
2.4　本章小结　65
参考文献　66
第3章　基于多层分类器的高压断路器机械故障诊断　68
3.1　高压断路器振动信号采集与特征提取　68
3.1.1　基于变分模态分解的断路器振动信号处理　68
3.1.2　基于局部奇异值分解的特征提取　75
3.2　基于多层分类器的故障分类方法研究　76
3.2.1　支持向量机和单类支持向量机原理　77
3.2.2　多层分类器的构建和诊断流程　79
3.3　高压断路器故障诊断实例分析　80
3.3.1　实测振动信号特征分析　80
3.3.2　诊断结果及分析　87
3.4　本章小结　90
参考文献　90
第4章　基于时域分割特征的断路器弹簧操动机构机械故障　92
4.1　基于时域分割的振动信号故障特征提取　92
4.1.1　基于时域分割的断路器振动信号处理　92
4.1.2　基于时域分割的时域特征提取　95
4.1.3　基于散布矩阵的特征分类能力分析　95
4.1.4　基于Gmi重要度的特征选择分析　98
4.1.5　基于时域分割特征的特征选择方案　99
4.2　基于层次化混合分类器的断路器机械故障分类　100
4.2.1　随机森林原理　100
4.2.2　基于时域分割的断路器机械故障诊断方案设计　102
4.3　基于实测振动信号的高压断路器机械故障诊断　103
4.3.1　实测振动信号特征分析　103
4.3.2　实验结果及分析　112
4.4　本章小结　115
参考文献　116
第5章　基于熵特征高效时域特征提取的高压断路器机械故障诊断　118
5.1　基于时域分割的特征提取　118
5.1.1　原始信号时域分割方式和依据　118
5.1.2　时域分割后的特征计算　119
5.2　特征选择　120
5.2.1　Split重要度值对特征分类能力的衡量效果　120
5.2.2　基于Split重要度值的前项特征选择　122
5.3　高压断路器高效故障诊断分类器的构建　123
5.3.1　梯度提升决策树　123
5.3.2　基于高压断路器振动信号时域特征的分类器构建　124
5.3.3　多线程并行直方图加速　125
5.3.4　带深度限制的Leaf-wise生长策略　126
5.4　案例分析　126
5.4.1　故障诊断流程　126
5.4.2　基于时域分割的特征提取效率分析　126
5.4.3　LightGBM分类器的分类效果分析　128
5.5　本章小结　129
参考文献　129
第6章　采用局部时-频奇异值与优化随机森林的高压断路器机械故障诊断　131
6.1　随机森林分类原理及优化　131
6.2　故障诊断流程　132
6.2.1　HVCBs故障诊断流程　132
6.2.2　基于虚拟仪器的实测信号采集系统　133
6.2.3　振动信号处理　134
6.2.4　局部奇异值分解提取特征　135
6.2.5　优化随机森林进行故障诊断　136
6.3　故障诊断实例分析　136
6.3.1　不同特征提取方式比较　136
6.3.2　不同分类器的比较　137
6.4　本章小结　138
参考文献　138
风电机组篇　传动系统关键部件机械故障诊断
第7章　基于混合分类器的风电机组传动系统机械故障诊断　140
7.1　风电机组传动系统振动信号处理　140
7.1.1　自适应信号处理方法性能对比　140
7.1.2　基于EWT的风机传动系统振动信号处理与分析　142
7.2　风电机组传动系统振动信号特征提取及选择　149
7.2.1　风电机组传动系统原始特征集合构建　150
7.2.2　基于随机森林的风电机组传动系统故障特征选择　151
7.3　基于混合分类器的故障诊断方法研究　156
7.3.1　模糊C均值聚类原理　156
7.3.2　混合分类器构建和诊断流程　157
7.3.3　轴承故障诊断结果及分析　158
7.3.4　齿轮箱故障诊断结果及分析　161
7.4　本章小结　164
参考文献　165
第8章　采用非平衡小样本数据的风机主轴承故障深度对抗诊断　167
8.1　辅助分类生成对抗网络　167
8.2　改进AC-GAN　168
8.3　改进AC-GAN实验样本构建　170
8.4　实验设计与分析　171
8.4.1　生成样本真实性与差异性分析　171
8.4.2　复杂噪声环境下主轴承故障诊断实验　173
8.4.3　小样本场景主轴承故障诊断　176
8.4.4　样本非平衡场景下主轴承故障诊断　178
8.4.5　不同分类方法对比实验　179
8.5　本章小结　180
参考文献　180
第9章　基于噪声标签有限数据驱动的风电机组传动系统轴承故障诊断　182
9.1　鲁棒性辅助分类生成对抗网络　182
9.2　实验数据集的构建　184
9.2.1　传动系统典型故障诊断数据集　184
9.2.2　传动系统故障诊断数据集构建　186
9.3　含噪声标签场景生成样本分析　188
9.3.1　生成器样本生成能力分析　188
9.3.2　生成样本分析　189
9.4　含噪声标签有限数据驱动场景故障诊断　191
9.4.1　训练样本减少实验　191
9.4.2　训练样本非平衡实验　197
9.4.3　含不同比例噪声标签样本实验　200
9.5　含噪声标签有限数据驱动场景下不同方法对比实验　200
9.5.1　含噪声标签有限数据场景对比实验　200
9.5.2　含不同比例噪声标签场景对比实验　201
9.6　本章小结　202
参考文献　202